027-83317177
当 OpenAI 的奥特曼还在到处买显卡、买算力，来支撑他的 Sora 2 视频生成模型。
李飞飞的实验室 The World Labs，用一张显卡就能运行一个世界。他们今天发布了一项名为 RTFM (Real-Time Frame Model) 的新技术，一个全新的实时世界生成模型。
和九月中旬发布的图生世界 Marble 不同，RTFM 不仅是用一张照片，生成一个我们可以自由漫步、探索的 3D 世界。最重要的是，它被设计为可以在单块 H100 GPU 上高效运行，并且实时生成。
目前，RTFM 已经作为研究预览版正式发布，并提供了 Demo 可以亲自去试试。
意外地发现，这个 Demo 的名字叫做 FRAMEBOY，结合这个网页布局，我很快想到了年代久远的 Game Boy 游戏机。
这样一个拥有逼真的光影、反射和阴影的世界，并且这一切还在我们眼前实时发生，在某种程度上，何尝不是另一种玩游戏。
RTFM 的核心能力，就是能实时生成可供用户交互的视频。它可以从一张静态图片开始，渲染出一个可以自由探索的 3D 场景。
与许多世界模型不同，RTFM 能够学习并渲染出，极其复杂和真实的视觉效果。无论是光滑大理石地面的倒影、物体在阳光下的阴影，还是透过玻璃看到的景象，RTFM 都能准确地模拟。
RTFM 依靠的不是传统的图形学编程，而是让模型通过对海量视频数据的端到端学习，不断进化出来的。
效率 (Efficiency)，要想把未来拉到眼前，世界模型的计算需求是最大的阻碍。
无论是像 Sora 这样的 AI 生成视频，还是Google尚未正式公开上线， 都意味着巨大的计算挑战。有相关的研究提到，要实时生成 4K 60fps 的交互视频流，AI 模型每秒需要处理的 tokens 数量约等于一本《哈利·波特》的文字量。
而如果要在超过一小时的交互中，保持这些生成内容的持续性，需要处理的上下文，将超过 100M 个 token。这对于当下的计算基础设施而言，既不现实，也难以负担。
李飞飞团队的目标是「在今天硬件上，运行的明天模型，并提供最高保真度的预览。」
他们通过对架构、模型蒸馏和推理过程的极致优化，以及整个系统的重新设计。RTFM 成功地实现了，仅使用单个 H100 GPU，就可以交互式帧率进行推理，实时生成。
传统的 3D 引擎，用的是三角网格、高斯点云、体素渲染等显式结构，完全依赖于一些复杂的计算机图形学知识。每个物体都要建模、上材质、打光、烘焙阴影。这和我们之前介绍的混元 3D 世界，所采用的方法类似，它们主打的是实现 3D 全管道的生成。
World Lab 选择的路和混元不同， RTFM 不会构建任何显式的 3D 模型。它使用了类似 Sora 的「自回归扩散 Transformer」，直接从视频帧序列中学习世界规律。
举个例子，模型不再需要知道「这是一堵墙」或「那是一盏灯」，它只通过成千上万段视频的学习，学会了什么是「空间感」，学会从输入的 2D 图像序列中，预测出下一个新的视角画面。
和生成 3D 资产的路线不同，RTFM 能够更好地利用不断增长的数据和算力，从而实现无限扩展。
大部分的视频生成模型有一个天生缺陷，就是它们没有记忆。即便现在 Sora 一次性，能生成 25 秒的震撼画面，但视频生成结束后，世界就结束了，并不能提供持续的交互。
RTFM 试图解决的，就是让生成的世界具备持续存在的能力。它引入了一个叫「spatial memory（空间记忆）」的机制。它为生成的每一帧画面，都赋予了在 3D 空间中的精确「姿态」（位置和方向）。
在生成新画面时，模型会采用一种「上下文杂耍」 (context juggling) 的技术，只调用新画面附近位置的帧作为参考，而不是全局内容。
这使得 RTFM 能够做到，让我们反复进入这个世界，离开再回来，而不会增加计算负担。
目前，RTFM 的 Demo 体验时间只有 3 分钟，3 分钟后，它还是会不记得这个世界。我在那个 Demo 里面拖动左右两个摇杆，玩了很久，想到了李飞飞之前说，空间智能才应该是 AGI 的下一个方向。
未来是否真的有机会，像头号玩家一样，让现实世界和虚拟世界之间，产生明确的联系，光看现在的世界模型，要加载的内容还有太多。
毕竟，即便单个 H100 GPU，售价也大约在 25000 美元以上。但是当算力的价格下降，当算法再快一点；我们或许能看到，真正意义上的世界模型「大更新」，是现实，被完整生成的那一天。
服务热线 027-83317177 